基于GA-BP神经网络的集装箱船纵摇角度预测方法及装置制造方法及图纸

本发明专利技术适用于集装箱船纵摇角度控制技术领域，提供了一种基于GA

【技术实现步骤摘要】
基于GA
‑
BP神经网络的集装箱船纵摇角度预测方法及装置


[0001]本专利技术涉及集装箱船纵摇角度控制
，尤其涉及基于GA
‑
BP神经网络的集装箱船纵摇角度预测方法及装置。

技术介绍

[0002]船舶的纵摇运动对航行于复杂环境中的集装箱船的安全性具有重要的影响，并且在风、浪、流等环境因素的综合作用下，船舶的纵摇运动具有随机性，对船舶航行安全构成严重威胁，甚至引发重大的海上灾难事故。因此，为了保证船舶航行安全和保护生命财产安全，对船舶纵摇角度进行及时的预测具有重要的应用价值和意义。
[0003]传统的船舶纵摇运动预测方法主要是分析收集到的船舶运动状态数据，然后通过人工或机器模式识别等方式，判断船舶纵摇运动的趋势。然而，由于船舶纵摇运动是一个复杂的非线性运动，并且船舶航行环境具有特殊和复杂的特征，使得船舶纵摇运动预测的准确率较低，实际应用效果不佳。
[0004]近年来，由于大数据和人工神经网络技术的发展迅速，进而促使船舶纵摇角度预测也进入了一个崭新的阶段。基于人工神经网络技术的船舶纵摇角度预测无需航行环境与船舶运动之间精确的物理模型，能够很好解决非线性不确定问题。因此，研究基于人工神经网络的纵摇角度预测方法，提高船舶纵摇角度预测的准确度，掌握船舶后续短时间内的纵摇运动状况，可以有效提升船舶驾驶人员的反应和操作时间，提升船舶的航行安全性，避免重大的航行安全事故；同时，在紧急情况下，可以根据船舶纵摇运动状态，进行船上人员的安全疏散和撤离。因此，对船舶纵摇运动的预测具有极高的理论研究和实际应用意义
[0005]综上可知，现有技术在实际使用上显然存在不便与缺陷，所以有必要加以改进。

技术实现思路

[0006]针对上述的缺陷，本专利技术的目的在于提供基于傅立叶变化求解的周期性值作为BP神经网络拓扑结构的输入层节点数和输出层节点数，并采用基于GA算法优化BP神经网络权值和阈值的初始值，解决了因传统专家经验法确定BP神经网络的拓扑结构、初始化权值和阈值时的随机性和主观性，而导致算法收敛速度慢、易陷入局部最优解等问题，为集装箱船纵摇角度预测提供了一种基于人工智能的新方法，提高了预测的准确度。
[0007]为了实现上述目的，本专利技术提供一种基于GA
‑
BP神经网络的集装箱船纵摇角度预测方法，包括以下步骤：
[0008]步骤1：采集在航集装箱船舶的纵摇角度值，并以每分钟的均值数据为样本，形成P
×
Q的第一数据集矩阵，其中，P为所测数据的样本数，Q为传感器的个数；
[0009]步骤2：通过归一化方法对所述第一数据集的数据进行处理，形成第二数据集并且采用基于傅立叶变换的方式，对第二数据集进行数据处理，计算获得数据集的周期性值；
[0010]步骤3：将数据集分为训练数据集和测试数据集，根据步骤2周期值确定BP神经网络的拓扑结构，得到神经网络的输入层节点数、输出层节点数、隐含层节点数、神经网络的
输入值、神经网络的输出预测值和各层之间的连接权值；
[0011]步骤4：依据专家经验法确定GA算法的种群规模，并计算种群个体染色体的基因编码长度，并将基因映射为BP神经网络的权值和阈值；
[0012]步骤5：以训练数据为基础，GA算法开始迭代求解，对每个染色体代表的BP神经网络进行训练，得到神经网络的预测值与实际值或期望值之间的误差绝对值和；
[0013]步骤6：利用随机概率选取一定数量的染色体进行基因交叉，得到新的让优秀染色体并计算最大迭代次数；
[0014]步骤7：定适应度值或最大迭代次数是否满足要求；如果迭代次数没达到要求，则转到步骤6，否则转到步骤9；
[0015]步骤8：从染色体种群中找到最佳染色体，其基因分别对应BP神经网络权值和阈值的最优初始值；然后进行BP神经网络训练，当实际输出不满足期望输出时，进入误差反向传播阶段，误差通过输出层，以网络最小误差为目标函数，按照误差梯度下降的方式不断调整各层权值，当达到最小误差或神经网络最大训练次数时，选择此时的权值和阈值，算法结束；
[0016]步骤9：使用训练数据集训练具有最优初始化权值和阈值的BP神经网络，得到最终的基于改进GA
‑
BP神经网络的集装箱船纵摇角度预测模型；使用测试数据集对所得预测模型进行检验，确定预测模型的准确性和科学性。
[0017]根据本专利技术的基于GA
‑
BP神经网络的集装箱船纵摇角度预测方法，所述步骤2中的数据归一化方法采用Min
‑
Max法，公式(1)如下：
[0018][0019]式中，MaxValue表示数据样本中的最大值；MinValue表示样本数据的最小值；X
org
表述样本原始数据；X
normal
表示归一化之后的数据；
[0020]步骤2中的傅立叶变换的计算公式(2)如下：
[0021][0022]式中，τ＝e
‑
2πi/Q
是复单位根之一；i为虚数单位。
[0023]根据本专利技术的基于GA
‑
BP神经网络的集装箱船纵摇角度预测方法，步骤2中得到神经网络的所述输入层节点数和输出层节点数的计算公式(3)如下：
[0024]z＝m+n
[0025]式中n为神经网络输入层节点数，m为神经网络输出层节点数；
[0026]计算隐含层节点数的公式(4)如下：
[0027][0028]式中，c为0～10之间的常数。
[0029]根据本专利技术的基于GA
‑
BP神经网络的集装箱船纵摇角度预测方法，所述各层节点数确定后，则BP神经网络的拓扑结构即可确定：x1,x2,
…
,x
n
为神经网络的输入值，y1,y2,
…
,y
m
为神经网络的输出预测值，ω
ij
和ω
jk
分别为各层之间的连接权值。
[0030]根据本专利技术的基于GA
‑
BP神经网络的集装箱船纵摇角度预测方法，步骤4中的基因
编码长度的计算公式(5)如下：
[0031]l＝h
×
m+h+h
×
n
[0032]公式中的l为基因编码长度；
[0033]步骤5中适应度值F的计算公式(6)如下：
[0034][0035]式中，ε1为系数。
[0036]7、根据本专利技术的基于GA
‑
BP神经网络的集装箱船纵摇角度预测方法，步骤6中的具体计算步骤如下
[0037]步骤6.1：采用轮盘赌法计算每个染色体的被选择的概率，公式(7)如下，
[0038][0039]式中，N为种群规模，ε2为系数；
[0040]步骤6.2：以随机概率选择两个染色体在第r位进行基因交叉，产生新的优秀染色体，具体计算公式(8)如下，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于GA
‑
BP神经网络的集装箱船纵摇角度预测方法，其特征在于，包括以下步骤：步骤1：采集在航集装箱船舶的纵摇角度值，并以每分钟的均值数据为样本，形成P
×
Q的第一数据集矩阵，其中，P为所测数据的样本数，Q为传感器的个数；步骤2：通过归一化方法对所述第一数据集的数据进行处理，形成第二数据集并且采用基于傅立叶变换的方式，对第二数据集进行数据处理，计算获得数据集的周期性值；步骤3：将数据集分为训练数据集和测试数据集，根据步骤2周期值确定BP神经网络的拓扑结构，得到神经网络的输入层节点数、输出层节点数、隐含层节点数、神经网络的输入值、神经网络的输出预测值和各层之间的连接权值；步骤4：依据专家经验法确定GA算法的种群规模，并计算种群个体染色体的基因编码长度，并将基因映射为BP神经网络的权值和阈值；步骤5：以训练数据为基础，GA算法开始迭代求解，对每个染色体代表的BP神经网络进行训练，得到神经网络的预测值与实际值或期望值之间的误差绝对值和；步骤6：利用随机概率选取一定数量的染色体进行基因交叉，得到新的让优秀染色体并计算最大迭代次数；步骤7：定适应度值或最大迭代次数是否满足要求；如果迭代次数没达到要求，则转到步骤6，否则转到步骤9；步骤8：从染色体种群中找到最佳染色体，其基因分别对应BP神经网络权值和阈值的最优初始值；然后进行BP神经网络训练，当实际输出不满足期望输出时，进入误差反向传播阶段，误差通过输出层，以网络最小误差为目标函数，按照误差梯度下降的方式不断调整各层权值，当达到最小误差或神经网络最大训练次数时，选择此时的权值和阈值，算法结束；步骤9：使用训练数据集训练具有最优初始化权值和阈值的BP神经网络，得到最终的基于改进GA
‑
BP神经网络的集装箱船纵摇角度预测模型；使用测试数据集对所得预测模型进行检验，确定预测模型的准确性和科学性。2.根据权利要求1所述的基于GA
‑
BP神经网络的集装箱船纵摇角度预测方法，其特征在于，所述步骤2中的数据归一化方法采用Min
‑
Max法，公式(1)如下：式中，MaxValue表示数据样本中的最大值；MinValue表示样本数据的最小值；X
org
表述样本原始数据；X
normal
表示归一化之后的数据；步骤2中的傅立叶变换的计算公式(2)如下：式中，τ＝e
‑
2πi/Q
是复单位根之一；i为虚数单位。3.根据权利要求2所述的基于GA
‑
BP神经网络的集装...

【专利技术属性】
技术研发人员：王培良，
申请(专利权)人：山东科技职业学院，
类型：发明
国别省市：